机器学习之基于LeNet-5实现手写数字识别&&3折交叉验证

这是人工智能实验的最后一个实验，算是深度学习的“hello world”。经过之前的学习，利用LeNet-5实现手写数字识别已经不是难事，而且准确率极高。
本次实验的主要目的就是引入了3折交叉验证，对比一下在不同的epochs、batch_size以及优化器下，模型准确率的变化。

1.实验内容

1. 数据集：MNIST 数据集，60000 张训练图像，10000 张测试图像，每张图像size 为 28*28。
2. 利用 LeNet-5 CNN 框架，实现手写数字识别。

2.实验要求

1. 利用交叉验证方法，分析识别结果。
2. 分析网络参数 opts 设置对最终识别结果的影响，画出相应的结果分析图。

3.代码实现

导入库

import numpy as np
import tensorflow as tf
import matplotlib.pyplot as plt
import os
from sklearn.model_selection import KFold
import warnings
warnings.filterwarnings("ignore")#忽略警告信息

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

数据准备

def Get_data():
    (x_train,y_train),(x_test,y_test) = tf.keras.datasets.mnist.load_data()
    x_train = x_train.reshape(x_train.shape[0],28,28,1).astype('float32')
    x_test = x_test.reshape(x_test.shape[0],28,28,1).astype('float32')
    x_train,x_test = x_train / 255.0,x_test / 255.0#归一化
    #进行one-hot编码
    y_train = tf.one_hot(y_train,depth=10)
    y_test = tf.one_hot(y_test,depth=10)
    #将训练集与测试集堆叠到一起，方便后面的交叉验证
    data = np.row_stack((x_train,x_test))
    label = np.row_stack((y_train,y_test))
    return data,label

模型搭建

参照LeNet-5网络模型的参数，搭建网络。

def Get_model():
    model = tf.keras.models.Sequential([
        tf.keras.layers.Conv2D(filters=6,kernel_size=(5,5),strides=1,activation='relu',padding="same",input_shape=(28,28,1)),
        tf.keras.layers.MaxPooling2D(pool_size=(2,